Mind Lab ra mắt mô hình Macaron-V1 với kiến trúc Mixture-of-LoRA sử dụng 748B tham số kết hợp 4 LoRA độc lập, đạt điểm 85.6 trên bài đánh giá SWE-bench Verified, đứng đầu về khả năng mã hóa. Phòng thí nghiệm Trung Quốc mới thành lập chưa đầy một năm này đã đạt được trình độ công nghệ ngang bằng với các đội ngũ trị giá 2 tỷ USD tại Thung lũng Silicon chỉ với 50 triệu USD vốn đầu tư, và con đường học tăng cường LoRA của họ đã nhận được sự tin tưởng từ các nhà lãnh đạo ngành như Richard Sutton – người đoạt giải Turing, và Liang Wenheng của DeepSeek. Mind Lab đồng thời đề xuất các khái niệm “học liên tục” và “trí tuệ tập thể”, cho rằng mô hình vẫn có thể tiếp tục học hỏi và hợp tác trong môi trường thực tế sau khi rời phòng thí nghiệm. Chỉ sau 2 tuần thương mại hóa, họ đã đạt doanh thu hàng năm (ARR) 10 triệu USD, xác nhận tính hiệu quả của con đường công nghệ này trong việc giải quyết những vấn đề thực tế.

Tác giả bài viết, nguồn: Newzhong

Tuần trước, cộng đồng AI đều đang bàn luận về một điều, nhưng hầu hết mọi người chỉ nhìn thấy một nửa.

Ngày 15 tháng 7, cựu CTO của OpenAI, Mira Murati, đã ra mắt mô hình đầu tiên của Thinking Machines Lab, Inkling, tại San Francisco.

Huy động 2 tỷ USD, 975B tham số, đội ngũ 100 chuyên gia xuất sắc—công ty khởi nghiệp AI được quan tâm nhất tại Thung lũng Silicon cuối cùng cũng đã lộ diện.

Gần cùng ngày, cha đẻ của học tăng cường, Richard Sutton, người đoạt giải Turing năm 2024, ở tuổi gần bảy mươi, công bố thành lập Oak Lab.

Lời của cụ già là: “Các phương pháp học sâu hiện tại là dễ tổn thương và kém hiệu quả, điều cần thiết không phải là sửa chữa lặt vặt, mà là bắt đầu lại từ nền tảng.”

Không chỉ Sutton nghĩ như vậy. Liang Wenheng, người sáng lập DeepSeek, đã đưa ra phán đoán gần như giống hệt.

Anh ấy so sánh sự phát triển của AI với từng bậc thang: mô hình ngôn ngữ, CoT, Agent... và sau Agent, bậc thang tiếp theo phải bước qua là học liên tục.

Quan điểm của anh ấy là, khả năng cốt lõi của mô hình thế hệ tiếp theo phải là khả năng học liên tục, mới có thể gọi là mô hình thế hệ tiếp theo. Nếu trước tiên tạo ra được học liên tục, thì trí thông minh tổng quát có thể sẽ trở nên rất dễ dàng.

Khi một hướng công nghệ được đồng thời đầu tư bởi các người đoạt giải Turing, các công ty khởi nghiệp AI được quan tâm nhất tại Thung lũng Silicon và các nhà sáng lập mô hình lớn có tính sáng tạo nhất Trung Quốc, nó đã không còn là một lựa chọn công nghệ, mà trở thành sự đồng thuận trong ngành.

Xu hướng đã thay đổi.

Trong khi tất cả mọi người đều chú ý đến Thung lũng Silicon, phía bên kia Thái Bình Dương, một phòng thí nghiệm Trung Quốc mới thành lập chưa đầy một năm đã lặng lẽ đưa ra một kết quả khiến người ta bất ngờ trên cùng một tuyến đường.

Mind Lab chính thức ra mắt Macaron-V1.

Mind Lab được thành lập vào tháng 10 năm 2025, là phòng thí nghiệm nghiên cứu tiên tiến thuộc về Mindverse (Tâm Châu Công Nghệ). Toàn bộ đội ngũ gồm hơn ba mươi người, thành viên đến từ xAI, DeepMind, DeepSeek, ByteDance Seed, MIT và Đại học Thanh Hoa. Đầu năm nay, họ đã hoàn thành vòng gọi vốn Series A trị giá 50 triệu USD, do Meituan dẫn đầu, với sự tham gia của Ant Group, Sequoia Capital China, ZhenFund và các nhà đầu tư khác.

Vui lòng lưu ý con số này: 50 triệu USD, sau này sẽ còn sử dụng đến.

748B tham số tăng cường học trực tiếp

4 LoRA, mỗi cái phụ trách một việc

Hãy xem mô hình trước.

Macaron-V1 có hai phiên bản:

• Phiên bản cao cấp Venti, 748B tham số, được xây dựng từ nền tảng GLM-5.2 với 744B và bốn LoRA 1B, hỗ trợ ngữ cảnh siêu dài native 2M;
• Bản tiêu chuẩn Tall, 35B, được tinh chỉnh dựa trên Qwen-3.7, có thể chạy trên Mac.

Nhưng điều quan trọng không nằm ở tham số — mà nằm ở 4 LoRA đó.

Trước đây, LoRA là bản thay thế "dành cho người có ngân sách hạn hẹp" của việc tinh chỉnh toàn bộ tham số. Tiết kiệm chi phí, nhưng bị giảm chất lượng.

Mind Lab đã tái định nghĩa nó: mô hình nền tảng là “tính phổ biến”, LoRA là “tính cá nhân”.

Ý nghĩa là gì? Giống như tất cả iPhone đều sử dụng cùng một hệ điều hành iOS, nhưng những ứng dụng bạn cài đặt, thói quen nhập liệu và các thao tác thường xuyên của bạn khiến chiếc iPhone của bạn trở thành “chiếc iPhone của bạn”.

Trò chuyện cần tự nhiên và đồng cảm, lập trình cần nghiêm ngặt và chính xác, Agent cần lập kế hoạch nhiều bước, giao diện sinh thành cần thiết kế tương tác — nhét tất cả vào một bộ tham số để huấn luyện, chúng sẽ xung đột với nhau.

Cách làm của Macaron-V1 đơn giản và thô bạo: tách ra.

Bốn LoRA độc lập, chịu trách nhiệm riêng biệt về trò chuyện, Agent, lập trình và GenUI, mỗi cái được huấn luyện, đánh giá và khôi phục riêng.

Chuyển đổi động bộ định tuyến trong lúc chạy — bạn nói “giúp tôi sắp xếp lịch trình”, hệ thống sẽ sử dụng Agent LoRA; bạn nói “đoạn mã này có lỗi”, hệ thống sẽ chuyển sang Coding LoRA. Hoàn toàn minh bạch với người dùng.

Kiến trúc này có một tên chính thức: Mixture-of-LoRA (MoL) – các khả năng khác nhau được huấn luyện độc lập trên nền tảng chung, kết hợp linh hoạt và gọi theo nhu cầu. Thay vì ép một mô hình trở thành người toàn năng, chúng ta để một nhóm chuyên gia cùng phối hợp hoạt động.

Về hiệu suất, Macaron-V1 chưa đạt đến mức độ mạnh nhất của các mô hình đóng nguồn trong mọi khả năng. Tuy nhiên, trong toàn bộ bộ đánh giá, nó đã có thể ngang bằng hoặc thậm chí vượt trội hơn Opus 4.8, GPT-5.5 và Gemini 3.1 Pro trên hầu hết các nhiệm vụ—đặc biệt nổi bật trong các tình huống cuộc sống hàng ngày, khả năng mã hóa và giao diện sinh thành.

SWE-bench đã được xác minh—một trong những bài đánh giá năng lực mã hóa được công nhận khắt khe nhất trong ngành, Macaron-V1-Venti đạt 85,6 điểm, đứng đầu, vượt xa đối thủ đứng thứ hai 3 điểm và vượt qua tất cả DeepSeek-V4-Pro (80,6), MiniMax-M3 (80,5), Kimi-K2.6 (80,2).

Đáng chú ý hơn là Deep-SWE, được thiết kế đặc biệt để đánh giá các nhiệm vụ kỹ thuật phần mềm dài hạn và phức tạp. Macaron-V1-Venti đạt 58,4 điểm, trong khi vị trí thứ hai là mô hình nền tảng của nó—GLM-5.2 với 46,2 điểm. Cùng một nền tảng, sau khi được huấn luyện bằng LoRA và học tăng cường, đã vượt lên tới 12 điểm. Đó chính là giá trị gia tăng mà hậu huấn luyện có thể mang lại.

Quan trọng hơn cả: trọng số mở, có thể triển khai riêng. Dù mô hình đóng mã có mạnh đến đâu, dữ liệu của bạn vẫn phải đi qua máy chủ của người khác. Macaron-V1 giúp bạn đưa mô hình về nhà riêng, không cần gửi đi một byte dữ liệu nào.

Andrew đã trình bày một ví dụ trong bài phát biểu tại WAIC: người dùng chụp một bức ảnh khối Rubik bị xáo trộn và gửi đi, mô hình sẽ nhận diện trạng thái, tìm giải pháp bằng thuật toán và tạo hướng dẫn phục hồi 3D có thể tương tác—điều này đòi hỏi sự phối hợp của bốn khả năng: hiểu biết thị giác, thuật toán, gọi công cụ Agent và GenUI.

Một thiết kế dễ bị bỏ qua nhưng cực kỳ chuyên sâu: Thiết kế đồng thời Model và Harness.

Ý nghĩa là gì? Đa số các mô hình đào tạo và triển khai thực tế đều sử dụng hai môi trường khác nhau—các công cụ và quy trình thực thi dùng trong giai đoạn đào tạo không khớp với môi trường thực tế sau khi上线, dẫn đến hiệu suất bị giảm sút.

Macaron-V1 ngay từ đầu đã huấn luyện và tối ưu hóa mô hình cùng với Harness trong môi trường sản xuất, cách gọi công cụ, thao tác terminal và chạy các tác vụ dài hạn trong quá trình huấn luyện hoàn toàn giống hệt khi đưa lên vận hành.

REPL Harness đi kèm cho phép mô hình kết hợp công cụ qua mã, lưu trạng thái trung gian và tái sử dụng các quy trình hiệu quả—không cần bắt đầu lại từ đầu mỗi lần, giảm thiểu việc gọi lại lặp lại và lãng phí ngữ cảnh.

Đây không phải là một mô hình chỉ biết trò chuyện, mà là một tác nhân thông minh có thể thực hiện công việc.

Tại sao nó là “một trong hai duy nhất trên toàn cầu”?

Bạn có thể nói: LoRA fine-tuning có gì đặc biệt? Tràn ngập khắp nơi.

Điểm tuyệt vời nằm ở hai chữ: quy mô.

Việc thực hiện LoRA reinforcement learning với mô hình 30B, nhiều đội ngũ có thể làm được. Nhưng khi tham số tăng lên mức hàng nghìn tỷ, độ khó tăng theo cấp số nhân.

Nỗi khó khăn cốt lõi là sự không nhất quán giữa huấn luyện và suy luận. Học tăng cường cần đồng thời huấn luyện và suy luận để thu thập phản hồi; khi mô hình MoE với hàng nghìn tỷ tham số được chia nhỏ và phân phối trên hàng chục GPU, nếu có chút lệch lạc giữa độ chính xác khi huấn luyện và độ chính xác khi suy luận, gradient sẽ bị trôi dạt, khiến đường cong huấn luyện không hội tụ.

Hãy ví dụ: một dàn nhạc trong nhà 30 người, nếu một chút lệch tông vẫn còn có thể cứu vãn. Nhưng nếu là một dàn giao hưởng 100 người, chỉ cần một nhạc cụ nào đó lệch tông, cả buổi biểu diễn sẽ trở thành thảm họa.

Trên toàn cầu, chỉ có hai đội ngũ có thể chạy thành công LoRA reinforcement learning trên quy mô tham số nghìn tỷ.

Một là Thinking Machines Lab của Mira Murati. Một là Mind Lab.

Không có bên thứ ba.

Tháng 12 năm 2025, Mind Lab đã chạy thành công LoRA reinforcement learning trên Kimi K2—mô hình MoE thưa cực lớn với tổng tham số 1,04 nghìn tỷ—với năng lực tính toán chỉ bằng một phần mười so với tinh chỉnh toàn bộ tham số, đường cong huấn luyện hội tụ ổn định.

LongStraw tháng này đã đẩy quá trình huấn luyện sau học tăng cường lên đến 2M ngữ cảnh dưới cùng một công suất GPU cố định. Macaron-V1 là sự tổng hợp tập trung của những tích lũy này.

Con đường này không chỉ có Mind Lab đi. John Schulman, nhà khoa học trưởng của TML – đồng sáng lập OpenAI và là người phát minh ra thuật toán PPO – đã công bố bài báo “LoRA without Regret” vào năm 2025, chứng minh qua thực nghiệm rằng LoRA trong hầu hết các kịch bản sau huấn luyện có hiệu suất hoàn toàn tương đương với tinh chỉnh toàn bộ. Ông gọi đây là “khoảng thời gian ít hối tiếc”.

Ngành công nghiệp cũng đang bỏ phiếu bằng tiền thật. Fireworks AI, vừa hoàn thành vòng D 1,5 tỷ USD tuần trước, định giá 17,5 tỷ USD, có thể lưu trữ hàng trăm LoRA; Together AI hoàn thành vòng C 800 triệu USD và đã thiết lập LoRA làm phương pháp tinh chỉnh mặc định.

Thung lũng Silicon chi 2 tỷ để xây nền tảng, nó chỉ cần một phần mười để đứng trên vai người khổng lồ

Đây là một sự so sánh rất thú vị.

Mind Lab và TML theo đuổi cùng một con đường công nghệ, nhưng chiến lược nền tảng hoàn toàn khác biệt.

TML vì nhiều lý do, đã chọn tự huấn luyện mô hình nền tảng từ đầu. Inkling, 975 tỷ tham số, 45 nghìn tỷ token—nhưng chính Murati cũng công khai thừa nhận: "Đây không phải là mô hình mạnh nhất hiện nay."

Đánh giá cho thấy Inkling rõ ràng yếu hơn các mô hình mã nguồn mở Trung Quốc như GLM và Kimi. Việc xây dựng nền tảng từ đầu đã khiến họ tiêu tốn rất nhiều năng lượng và sức mạnh tính toán.

Mind Lab làm ngược lại. Nó không tự huấn luyện mô hình nền tảng, mà trực tiếp đứng trên vai của hệ sinh thái mô hình mã nguồn mở Trung Quốc.

Kimi K2 xác minh LoRA RL với hàng nghìn tỷ tham số, V1-Preview dựa trên GLM-5.1, phiên bản chính thức Venti dùng GLM-5.2, Tall dùng Qwen-3.7—mỗi lần nâng cấp nền tảng, đường chạy huấn luyện sau lại cao hơn một bậc.

Các mô hình mã nguồn mở của Trung Quốc đã đạt đến mức gần SOTA trên toàn cầu. Sử dụng những nền tảng gần đến giới hạn này, kết hợp với LoRA và học tăng cường để đẩy các khả năng then chốt lên mức SOTA thực sự.

Bạn không cần tự trồng lúa mì để nướng ra chiếc bánh mì ngon nhất.

So khắc nghiệt là gì?

TML: Huy động 2 tỷ USD, đội ngũ 100 người, hợp tác với NVIDIA về năng lực tính toán hàng兆瓦—khả năng của Inkling vẫn còn thua kém GLM-5.2.

Mind Lab: Hơn ba mươi người, huy động vốn dưới 50 triệu USD — đã tạo ra mô hình mạnh mẽ hơn ở nhiều khía cạnh như Chat, Agent, Coding.

Trong việc áp dụng LoRA reinforcement learning, Mind Lab có thể là đội ngũ có tỷ lệ đầu tư trên lợi nhuận cao nhất thế giới. Không ai sánh bằng.

Học tập liên tục: Tại sao mô hình càng sử dụng càng thông minh?

Sau khi đã trình bày về công nghệ và so sánh, đến vấn đề cốt lõi nhất: Mind Lab đang chơi ván cờ gì?

Câu trả lời nằm trong tiêu đề bài viết do Richard Sutton và David Silver, cựu nghiên cứu viên chính của AlphaGo, cùng công bố — Welcome to the Era of Experience.

Pre-training là "thời đại dữ liệu": mô hình học từ các văn bản mà con người đã có.

Thế hệ tiếp theo là “thời đại kinh nghiệm”: khả năng của AI không còn đến từ dữ liệu đã có, mà đến từ hành động dài hạn, phản hồi và học hỏi liên tục của các tác nhân trong môi trường thực tế.

Mâu thuẫn cốt lõi của các mô hình lớn ngày hôm nay nằm ở đây—sau khi huấn luyện xong thì bị đóng băng.

Một người dùng đã sửa cùng một lỗi mười lần, lần tới mô hình vẫn phải đọc lại lịch sử trò chuyện. Một Coding Agent liên tục thất bại trong cùng một kho mã, sự thất bại không trở thành kỹ năng mới. Mô hình xử lý hàng triệu nhiệm vụ mỗi ngày, nhưng kinh nghiệm đều bị mất đi.

Nó chỉ là một động cơ suy luận lặp vô hạn, không phải một thực thể đang phát triển.

Điều Mind Lab muốn làm là phá vỡ vòng lặp chết này. Mục tiêu của họ là tạo ra một “máy trí tuệ kinh nghiệm” – mô hình vẫn tiếp tục học hỏi trong thế giới thực sau khi rời khỏi phòng thí nghiệm.

Kinh nghiệm trở thành kỹ năng mới, kỹ năng mới giúp giải quyết những vấn đề khó hơn, và những vấn đề khó hơn lại mang lại kinh nghiệm phong phú hơn.

Trí thông minh không còn là kết quả của một lần huấn luyện, mà trở thành quá trình phát triển liên tục.

LoRA tại đây không còn là "công cụ tiết kiệm chi phí", mà là một trạng thái bền vững có thể ghi, hoàn tác và phát triển độc lập.

Cơ sở chứa kiến thức phổ quát, LoRA chứa sở thích của bạn, phong cách mã hóa của bạn, logic kinh doanh của bạn. Không phải là bản vá tĩnh, mà là ký ức phát triển cùng tương tác.

Thử nghiệm cho thấy, mô-đun điều chỉnh nhẹ có thể được nén dưới 0,5% tham số của mô hình nền, vẫn duy trì tính ổn định và đáng tin cậy—mô hình nền càng mạnh, thì các cập nhật quy mô nhỏ càng hiệu quả.

Mind Lab đã đi trên con đường này trong ba năm. Năm 2023, người sáng lập Andrew hợp tác với Karthik Narasimhan – tác giả của GPT-1 và Dương Thuận Vũ – để công bố FireAct, công trình đầu tiên sử dụng học tham số để nâng cao khả năng của Agent. Sau khi ghi lại quỹ đạo của Agent vào tham số, thời gian thực thi một lần đã giảm từ 9,0 giây xuống còn 2,7 giây.

Chi trả một lần chi phí để học hỏi, sau đó mỗi lần sử dụng đều mang lại lợi ích. Từ FireAct đến Macaron-V1, logic này đã được mở rộng đến quy mô hàng nghìn tỷ tham số.

Trí tuệ tập thể: Đường cong Scaling thứ ba

Học tập liên tục chỉ là một nửa câu chuyện. Ý tưởng cốt lõi thứ hai được thể hiện qua Macaron-V1, có thể còn phá cách hơn—trí tuệ tập thể.

Mỗi mô hình tiếp tục học hỏi dựa trên trải nghiệm của chính nó, các ví dụ khác nhau sẽ đi theo những hướng khác nhau. Phản hồi người dùng, nhiệm vụ và dữ liệu khác nhau sẽ hình thành những khả năng khác nhau. Bắt đầu từ cùng một nền tảng, theo thời gian, chúng sẽ trở thành “những con người khác nhau”.

Sự đa dạng này là bug hay feature? Kết quả thí nghiệm rất ấn tượng.

Xuất phát từ cùng một nền tảng Qwen3-30B, mục tiêu và thuật toán huấn luyện hoàn toàn giống nhau, chỉ thay đổi thứ tự dữ liệu và masking.

Độ chính xác của một adapter duy nhất trên AIME24: 36,44%. 198 adapter khác nhau bỏ phiếu đa số: 48,67%. Lấy mẫu lặp lại cùng một adapter 198 lần, điểm cao nhất chỉ đạt: 43,78%.

Những «trải nghiệm» khác nhau mang lại tính bổ sung mà một mô hình đơn lẻ không thể đạt được. Đây không phải là «thử nhiều lần» — mà là sự hiệu ứng cộng hưởng thực sự giữa các lộ trình học tập đa dạng.

Andrew gọi đây là đường cong mở rộng thứ ba tại WAIC.

Điều 1: Tham số Scale kiểu GPT-3—Tham số lớn hơn mang lại trí thông minh cao hơn.

Điều 2: Tokens tư duy quy mô kiểu DeepSeek R1 —— Nhiều token suy luận hơn mang lại trí thông minh cao hơn.

Điều 3: Số lượng mô hình mở rộng — Sự hợp tác giữa nhiều mô hình hơn mang lại giới hạn trí tuệ cao hơn.

Trong thí nghiệm, số lượng mô hình tăng từ vài mô hình lên 200 mô hình, và hiệu suất tăng tuyến tính trên trục logarit. Nếu xu hướng này giữ nguyên, bước tiếp theo là mở rộng từ 200 lên 20.000, rồi đến 2 triệu.

Nền tảng MinT do Mind Lab tự phát triển đã xây dựng danh mục LoRA có thể định vị lên đến triệu cấp. 1 triệu LoRA chia sẻ cùng một nền tảng cơ sở với một nghìn tỷ tham số.

Lưu ý—đây không phải là 1 triệu mô hình nhỏ, mà là 1 triệu mô hình lớn với 1 nghìn tỷ tham số.

Con người chia sẻ hơn 99% bộ gen, nhưng nền tảng sinh học gần như giống nhau không tạo ra cùng một trí tuệ. Chính sự đa dạng của trí tuệ và sự hợp tác của nó đã mang lại những thành tựu vĩ đại nhất của nền văn minh nhân loại.

2 tuần, 10 triệu USD ARR: Xác minh thương mại nhanh nhất

Dù lộ trình kỹ thuật có đẹp đến đâu, nếu thị trường không chấp nhận thì cũng chỉ là PPT. Mind Lab sẽ mở rộng API thương mại vào đầu tháng 7.

Sau 2 tuần, đạt 10 triệu USD ARR.

Đây có lẽ là kỷ lục nhanh nhất từ trước đến nay của bất kỳ công ty mô hình nào trong việc đạt được ARR 10 triệu USD kể từ khi ra mắt mô hình đầu tiên.

Con số quan trọng, nhưng quan trọng hơn là tốc độ. Một lộ trình công nghệ có thể được khách hàng nhanh chóng bỏ phiếu bằng tiền thật chứng tỏ nó đang giải quyết những vấn đề thực sự, những vấn đề đau đầu.

Mind Lab không chỉ bán Token. Logic kinh doanh cốt lõi của nó là: khách hàng mua được khả năng mô hình học hỏi và liên tục cải tiến trong bối cảnh riêng của họ.

Các nhà sản xuất điện thoại di động huấn luyện kiến thức sản phẩm vào LoRA riêng, các công ty tai nghe ghi lại sở thích tương tác vào trạng thái mô hình—dữ liệu cốt lõi không cần gửi cho công ty mô hình cơ sở để huấn luyện lại, khách hàng tự kiểm soát quyền kiểm soát.

Shao Yin Technology, AI hardware startup Odyss, and a leading smartphone manufacturer are already on the partnership list.

Cấu trúc gọi API cũng cho thấy vấn đề: 20% trò chuyện, 30% luồng công việc Agent, 30% tạo mã, phần còn lại đến từ GenUI—phân bố kịch bản cân bằng, không phải sự huy hoàng giả tạo được duy trì bởi một sản phẩm nổi bật duy nhất.

Bản cao cấp: 6 USD/ triệu token, bản tiêu chuẩn: 4 USD, bản cực nhanh: 2 USD.

Tầm nhìn do Mind Lab đưa ra chỉ gồm một câu: Biết sử dụng Token, có thể huấn luyện Token.

Việc huấn luyện mô hình cuối cùng phải đơn giản như việc gọi mô hình. Không cần nhiều nhân sự bán hàng trước, không cần nhân lực tùy chỉnh. Chính khả năng học liên tục mới là năng lực mô hình có thể mở rộng quy mô.

Cửa đề đã được mở

Richard Sutton tại Toronto tuyên bố “thời đại kinh nghiệm”. Liang Wenheng cho rằng cần có khả năng học liên tục mới có thể gọi đó là mô hình thế hệ tiếp theo. Mira Murati tại San Francisco xây dựng cơ sở hạ tầng học tăng cường LoRA với hàng nghìn tỷ tham số. Fireworks AI định giá 17,5 tỷ USD.

Tất cả mọi người đều đặt cược vào cùng một hướng: mô hình nên tiếp tục học sau khi triển khai. LoRA là công nghệ then chốt giúp điều này trở nên khả thi ở quy mô hàng nghìn tỷ tham số.

Mind Lab là thí sinh trẻ nhất trong lĩnh vực này. Nhưng tư thế xuất phát có thể hiệu quả nhất—không xây nền tảng riêng, mà đứng trên hệ sinh thái mã nguồn mở của Trung Quốc, với hơn ba mươi người và vốn huy động dưới 50 triệu USD, đã đạt được năng lực kỹ thuật ngang hàng với các đội ngũ trị giá hàng tỷ USD tại Thung lũng Silicon.

Đằng sau điều này là một phán đoán đơn giản nhưng sâu sắc:

Kết cục của cuộc cạnh tranh giữa các mô hình lớn không nằm ở “ai huấn luyện được nền tảng lớn nhất”, mà ở “ai có thể khiến mô hình liên tục trở nên thông minh hơn”.

Pre-training is a one-time infrastructure. Continuous learning is the true moat.

Mind Lab muốn tạo ra một cỗ máy trí tuệ kinh nghiệm—mô hình sau khi rời khỏi phòng thí nghiệm vẫn tiếp tục học hỏi trong thế giới thực, càng sử dụng càng thông minh hơn. Khi đủ nhiều trí tuệ như vậy bắt đầu hợp tác, một con đường mới dẫn đến trí tuệ cao hơn sẽ được mở ra.

Murati đang đẩy cánh cửa này ở San Francisco với 2 tỷ USD và đội ngũ 100 người.

Nhưng người đầu tiên đẩy hé cánh cửa là một phòng thí nghiệm trẻ tuổi ở phía Thái Bình Dương, đứng trên vai của hệ sinh thái mã nguồn mở Trung Quốc.